基于无人机高光谱遥感的烤烟叶片叶绿素含量估测

引言

叶绿素是作物叶片中主要的光合色素，叶片中叶绿素含量（Leaf Chlorophyll Content，LCC）是反映作物光合作用能力和冠层营养状况的重要指标。烟草作为重要经济作物，以叶片为主要收获对 象，因此叶绿素含量监测非常重要。传统的烟草农业监测受田间管理模式及生产设备的限制，费时、费力，效率低下。相较于采用卫星遥感和近地面高光谱人工采集方式，无人机遥感具有分辨率高、效率快、范围广的特点，因此在农作物长势监测方面得以迅速发展和大面积推广应用。研究表明，基于植被指数（Vegetation Index，VI）的遥感监测具有时空连续性，方便对作物长势信息进行长期监测，在叶绿素估测中具有较高的应用价值。

通过高光谱数据进行烟草冠层LCC的定量分析具有重要意义和应用价值。为实现烤烟 LCC 的快速估测，本研究利用无人机获取 6个不同移栽生育期烤烟叶高光谱影像，通过筛选光谱参数，利用一元线性回归（Unary Linear Regression，ULR）、多元线性回归（Multivariable Linear Regression，MLR）和PLSR三种传统回归方法，支持向量回归（Support Vector Regression，SVR）和RFR两种机器学习建模方法分别构建烤烟的LCC估测模型，并获得最优估测模型，为利用无人机遥感开展田间烤烟长势信息快速、无损监测提供技术支持。

材料与方法

2.1 试验材料

试验田位于河南省顶山市郏县植烟区（112°14′~113°45′E，33°08′~34°20′N），属于温带大陆性季风气候，气候温和，雨量充沛，年日照率 53%，平均气温 15.7℃，无霜期220天，常年降水量678.5 mm。烤烟品种为中烟 100。于2022年5月8日移栽， 所有肥料均作基肥一次性施入，不再追肥。设置5个水平氮肥梯度，N0~N4处理分别为0.0、24.0、 48.0、72.0、96.0 kg/hm2，每个处理设置三次重复， 共15个小区，每个小区面积约为144 m2（15.2 m× 9.5 m），如图 1 所示。其他栽培和管理方法按照当 地优质烟草栽培方式进行。

图 1 河南省平顶山市烤烟试验地研究区分布图

2.2 数据获取

2.2.1无人机高光谱影像获取

获取烤烟6个生育期32、48、61、75、89和109 d的影像。选择中午晴朗、无风、无云的天气条件，采用无人机搭载高光谱成像仪，包含150个波段的光谱数据。地面试验样品采集与无人机飞机作业同步进行。试验于上述烤烟生育期11∶00—14∶00进行测定。无人机飞行作业时，需经过布置在试验地的靶标布便于后期辐射定标处理数据，设置航高100 m， 飞行速度 3 m/s，最小定时拍照间隔 1.0 s，航向重叠率 80%，旁向重叠率70%，镜头垂直朝下，焦距 17 mm。

2.2.2烤烟LCC的实验室测定

分别获取移栽后 32、48、61、75、89 和 109 d 共6个生育期烤烟冠层叶片进行LCC测定。每个小区进行随机破坏性采样3株，每次数据采集共获取45个地面样本。将烤烟冠层叶片转移到实验室测定LCC。用2mm打孔器收集新鲜样品，混匀后称量0.1g碎片，再浸入15 ml的95%乙醇溶液中。在浸提液制备完成后，将其保存在低温、避光和密闭的容器中，在黑暗中提取叶绿素 24 h。暗处理后，叶子呈白绿色，使用比色分光光度计测量叶片色素密度。提取的 LCC（Ct）由665和649nm处的吸光度值计算 。LCC 计算方法如公式 （1） ~ （3） 所示。

Ca= 13.95×A665-6.88×A649（1）

Cb = 24.96×A649-7.32×A665（2）

Ct= （Ca+Cb）×V/1000×W （3）

其中，Ca和 Cb分别表示叶绿素 a 浓度和叶绿素b浓度，mg/L；V 表示浸提液的体积，mL；W 表示叶片的质量，g；A665和A649分别为665和649nm处的吸光度值。

2.3 光谱参数的选定

为了降低土壤背景、大气水分等环境因素对冠层反射率的干扰，大多数研究人员通过利用 VI 增强作物光谱信息的特征并且实现高光谱数据信息降维 。本研究将通过两方面选取构建烤烟 LCC 估测模型的光谱指数：一是基于已发表的对作物LCC敏感的18种植被指数；二是基于波段400~ 1000nm范围内任意两个波段随机组合的差值光谱指数 （Difference Spectral Index，DSI）、比值光谱指数 （Ratio Spectral Index，RSI） 和归一化光谱指数（Normalized Spectral Index，NDSI），同时计算3种光谱指数与LCC 的相关性并绘制相关性等势图，最终筛选相关系数最优的波段组合为组合光谱指数对LCC进行研究。所选取的光谱参数如表 1 所示。

表1光谱参数和计算公式

2.4 模型的构建与检验

为了在保证模型训练充分的同时，尽可能减少模型过拟合的风险，以建模集和验证集样本比例 2∶1、每个生育期45个样本根据比例随机划分烤 烟样本数据。首先对选定的光谱参数和LCC进行相关性分析以筛选对LCC敏感的光谱指数，然后将筛选出的光谱参数作为自变量。参考其他无人机高光谱估测作物长势信息所选择的模型及常见机器学习模型的优势，采用一元线性回归 （Unary Linear Re‐ gression，ULR）、MLR 和PLSR这三种传统线性模型，以及 SVR 和 RFR 两种机器学习方法对单个生育期和全生育期烤烟LCC进行预估。采用决定系数R2和均方根误差（Root Mean Square Error， RMSE）对模型进行精确性和鲁棒性检验。

材料与方法

3.1 烤烟LCC变化

表2描述的是烤烟冠层LCC在不同生育期的变化情况 （实验室测定结果）。

表2 不同生育期烤烟冠层叶片LCC的变化

结果表明，烤烟生长前期，冠层 LCC 会迅速增加，在团棵期或旺长期LCC达到顶峰；烤烟进入成熟期后，冠层叶片氮素发生转移，LCC开始减少，而烤烟冠层LCC在现蕾期会进一步降低。从整体来看，冠层LCC符合先增后减的变化趋势，在移栽后75 d（旺长期）LCC达到最大，之后开始逐渐下降。在各生育期中移栽后89d变异系数最大，为28.43%，其余不同生育期的变异系数相差不大，范围为20.38%~25.26%，各个生育期的变异系数均低于全生育期。全生育期样本范围为0.52~2.95 mg/g，其标准差和变异系数的数值表明LCC的离散程度较大，反映出试验地不同处理肥力之间是有差异的，也保证 了估测模型在一定范围内适用。

3.2 烤烟LCC和光谱参数的相关性分析

3.2.1 植被指数与烤烟LCC的相关性

将6个生育期的烤烟LCC与植被指数进行相关性分析，结果如表3所示。

表3 不同生育期烤烟LCC与植被指数的相关系数

由表3可知，除移栽后109d，其余生育期大部 分植被指数和 LCC 呈极显著相关 （p<0.01），且大部分植被指数与叶绿素是正相关。其中，移栽后32d，除TCARI和PPR表现出不相关，其余均为极显著相关，最大相关系数是0.771，为光谱指数NDRE；移栽后48 d，TCARI 和PPR为无显著相关，TCARI/OSAVI 呈显著相关 （p<0.05），其余为极显著相关，mND705作为相关性最优的植被指数，其相关系数为 0.779；移栽后 61 d至移栽后89d， 这三个生育期的植被指数均为极显著相关，PPR、TCARI和TCARI/OSAVI表现为极显著负相关，但三个生育期相关性最高的植被指数各不相同，移栽后61d相关性最高为mND705，移栽后75d相关性最 高为 NIR，移栽后89d相关性最高为TCARI/OSA‐ VI，其相关系数分别为0.870、0.902和0.877；移栽 后109d，除了PPR、TCARI和TCARI/OSAVI表现为极显著负相关，REP呈显著相关，其余植被指数无显著相关。全生育期样本中所有植被指数和LCC 极显著相关，VOG 的相关性最大，其相关系数为0.771。此外，在各个生育期红边位置的植被指数。LCC含量的相关性均优于其他植被指数，其中NDRE、CIre、RNDVI、VOG以及mND705在不同生育期的相关性，除了移栽后109 d，相关系数均在 0.67以上，均呈极显著相关。以上结果表明，VI对 LCC的敏感性与作物生长阶段密切相关。随着生育期推进，叶片中的叶绿素会发生转移或降解，这意味着有些 VIs不能用于估测 LCC。因此，确定不同 生长阶段VIs对LCC的敏感性对于基于无人机高光 谱图像的作物参数估计非常重要。对全生育期而言，相关系数绝对值较大的植 被指数里绝大部分是红边位置反射率的植被指数。在不同生育期相关性最优的指数分别为 NDRE（32 d）、mND705（48d、61d）、NIR （75 d）、TCA‐ RI/OSAVI（89d）、TCARI （10d）以及VOG（全生育期）。分析原因可能是因为NDRE、mND705、NIR 和VOG主要使用红边位置和近红外波段信息， 这类植被指数对于烤烟LCC的建模估测具有较好的应用潜力，参与建模可以有效提升模型的精确度和鲁棒性 。

3.2.2 组合光谱指数与烤烟LCC的相关性

以无人机高光谱波段范围400~1000 nm内任意两波段 组合计算得到的光谱指数 RSI、DSI和 NDSI，并与叶片叶绿素进行相关性分析。计算并绘制各个生育期和全生育期的相关性等势图，如 图2和图3所示。

 

图2不同生育期烤烟LCC和组合光谱指数的相关性等势图

图3基于全生育期烤烟LCC和组合光谱指数的相关性等势图

结果表明，除了移栽后109d，各生育期的敏感波段相对较为集中，与LCC相关性较高的光谱指数组合主要分布在780~940nm和520~710nm之间，移栽后109d相较其他生育期效果不佳。三种随机组合的光谱指数大部分小于相关系数 0.3801， 达到极显著相关水平的区域较少。全生育期的敏感波段相对较为分散，不同光谱指数之间规律相差不大，但相较于传统植被指数，其相关性有很大提升。以光谱指数与烤烟LCC相关性最高为原则，筛选出不同生育期和全生育期相关系数最优的21种 组合光谱指数，如表4所示。

表4 烤烟不同移栽生育期组合光谱指数入选波段和LCC相关系数

结果表明，相较于已有的植被指数，组合光谱指数和LCC的相关性有着更进一步的提升，并且烤烟LCC与筛选出的最优光谱指数均通过0.01水平的显著性检验。对比三种组合光谱指数，归一化光谱指数与烤烟LCC在移栽后32、48、61、75和109d 相关性最高，这些生育期的最优波段组合为797和719nm、727和697nm、 736和706 nm、775和745nm 以及455和541nm， 其相关系数分别为0.795、0.805、0.878、0.912和 0.669；组合差值光谱指数在移栽后89d时与LCC相关性最高，DSI（R587，R579）与烤烟LCC的相关系数为 0.892；比值光谱指数在全生育期数据集中相关系数最大，RSI（R736，R723） 与烤烟LCC的相关系数为 0.807。

3.3 烤烟LCC估测模型的构建

3.3.1基于单个自变量烤烟LCC估测模型

在叶片叶绿素和光谱参数相关性分析的基础上，筛选出 6 个生育期和全生育期相关系数 最 高 的植被指数 NDRE、MND705、NIR、TCARI/ OSAVI、 PPR 和 VOG， 光 谱 指 数 NDSI（R797，R719）、 NDSI（R727，R697）、 NDSI（R736，R706）、 NDSI（R775，R745）、 DSI（R587，R579）、RSI（R455，R541）和 RSI（R736，R723），分别与烤烟叶片叶绿素建立ULR模型，建模集和验证集的估测结果如表5所示。

表5 不同生育期单个光谱参数的烤烟LCC估测模型及验证

各个生育期的组合光谱指数无论是建模集还是验证集，其估测精度大多优于传统植被，但不同生育期的光谱参数的表现存在差异。植被指数和优化光谱指数从移栽后32d至移栽后75d，其建模集和验证集的精度是逐渐增加的， 移栽后75 d的NIR作为各个生育期估测效果最佳的植被指数模型，其建模集和验证集的R2分别是 0.814 和 0.829，RMSE 分别是 0.230 和 0.253，而移 栽后75d的NDSI（R775，R745）是各个生育期估测精度最 佳的组合光谱指数，其建模集和验证集的R2分别是 0.822 和 0.862，RMSE分别是0.226和0.227；移栽 后75d至移栽后109d 建模集和验证集的精度开始下降，而在移栽后109d时，植被指数和优化组合光谱指数在各个生育期中估测 LCC 的效果都是最差。相较于其他单个生育期，由不同生育期270个样本组成的全生育期数据集估测表现较为不理想，VOG建模集和验证集的 R2分别是0.602和0.558，RMSE分别是0.348和 0.349，RSI（R736，R723）建模集和验证集的R2分别是 0.636 和 0.686，RMSE分别是0.333和0.304。

3.3.2基于多自变量烤烟LCC估测模型

基于高光谱遥感的作物生理生化参数估测的研究显示，相较于构建单一光谱参数估测模型，以多个光谱参数作为自变量的建模方法对估测模型精度和鲁棒性都有较为明显的提升。但由于自变量之间存在共线性的问题，在构建烤烟LCC估测模型过程中需要选取适当数量的自变量来防止预测结果过度拟合。因此，本研究选择每个生长生育期以及全生育期数据集中相关系数最高的 7个植被指数和3个组合光谱指数作为 MLR、PLSR、SVR 和 RFR四种建模方法的自变量。各个生长阶段通过不同的 建模分析方式构建烤烟LCC估测模型，模型的建模集和验证集估测效果如表6所示。

表6不同生育期多个光谱参数的烤烟LCC估测模型

从表6的结果来看，相较于单个光谱参数，多个光谱参数的模型估测精度在各个生长阶段和全生育数据集中有着大幅度的提升。对比各个生育期的建模集估测精度发现，在移栽后32、48、61和109d，模型LCC-RFR的估测性能最好，R2分别为0.733、0.744、0.866和 0.678， RMSE分别为0.186、0.165、0.176和 0.120，而基于LCC-MLR的估测模型，在移栽后75和 89d效果最优，R2和RMSE分别为0.893、0.850和0.214、0.217。对比验证集估测精度来看，移栽后32 d，模型LCC-MLR的估测精度最佳，R2和 RMSE分别为0.679和0.215，其余五个生育期模型LCC-RFR的估 测精度最佳，R2分别为0.757、0.832、0.919、0.842 和 0.580， RMSE分别为 0.173、 0.185、 0.146、 0.246和0.131。在全生育数据集中LCC-RFR模型的估 测精度较优于LCC-MLR、 LCC-PLSR 和 LCC-SVR 模 型，对比建模集， R2增加了19.06%、18.62%和 29.51%，RMSE降低了31.93%、29.51%和 28.24%；对比验证集，R2增加了8.21%、12.62% 和8.17%，RMSE降低了3.76%、9.33%和4.55%。综上所述，通过各个生育期的建模集和验证集 的估测精度对比分析，LCC-RFR 模型的估测效果 最为理想，LCC-MLR和LCC-SVR模型估测精度次之，LCC-PLSR 模型估测精度最差；不同生育期模 型预测精度和稳定性由高到低分别为移栽后 75、61、89、48、32和109d。

3.3.3 烤烟LCC空间分布图

根据不同生育期构建的烤烟LCC估测模型结果可知，LCC-RFR估测模型的精度和稳定性相对最佳。因此，本研究在消除土壤背景和杂草的干扰后，利用LCC-RFR 估测模型选择烤烟三个生育期进行无人机高光谱影像的反演填图，得到了移栽后48、61和75d的烤烟LCC空间分布图，如图 4 所示。

 

图 4烤烟不同生育期的LCC空间分布图

整体来看，从移栽后48到75 d，随着生育期的推进颜色逐渐加深，表明烤烟LCC越来越大。不同重复之间也有所差异，烤烟长势分布由强到弱为 “重复三”“重复二”“重复一”，对于移栽后45 d， LCC的范围在 14~1.9 mg/g之间，从移栽后61d 开 始，重复一与重复二、重复三 LCC 的差异愈发明显，重复一LCC 估测的范围大多在 1.8~2.3 mg/g， 重复二和重复三估测 LCC 大多在 2.1~2.5 mg/g 范围内。移栽后75d LCC 整体分布较密，LCC 的范围在 2.2~3.1 mg/g之间，，这可能与烤烟生长特性有关，在烤烟生育前期至旺长期，烤烟LCC呈逐渐上升趋势。通过估测多个生育期的LCC，在无人机高光谱图像上反演的 LCC 空间分布与实测结果相符， 这表明无人机搭载高光谱成像仪可提供小范围内烤 烟 LCC 的空间分布信息，具有较高的分辨率和精 度，可以较好地分辨出烤烟各个生育期烤烟长势 区别。

讨论

本研究通过将烤烟LCC与选取的光谱参数进行相关分析，结果表明本研究构建的组合光谱指数与 LCC的相关性明显高于传统植被指数，且基于单个光谱构建LCC回归模型中，前者的估测精度和稳定性在各个生育期包括全生育期都优于后者。前人研 究表明构建组合光谱指数能够有效减少外界环境因 素干扰，精准识别作物生长参数的敏感波段，对农作物氮素、叶绿素和叶面积指数的监测精度以及模 型鲁棒性有显著提升。但也有学者认为，组 合光谱指数所包含的光谱信息不足，不能充分利用 从可见光到近红外波段的高光谱数据信息。

因此，本研究采用传统植被指数和优化光谱指数相 合的方式试图构建更为综合的烤烟 LCC 估测模型。试验结果表明，基于多个光谱参数组合构建的烤烟 LCC估测模型精度和拟合性都优于单个光谱参数构建的模型。多个自变量可以有效避免光谱信息包含不足的情况，充分利用高光谱数据，但是光谱参数过多也容易出现共线性和过拟合的问题，因此，今后研究需要关注对烤烟 LCC 估测模型自变量的控制。此外，不同生育期的模型精度各不相同，且随着生育期的推进，模型精度呈现先增后减的变化趋势，这可能是由于烤烟在生长发育的不同阶段，伴随着冠层结构的变化、生物量的积累，以及在生殖生长阶段冠层叶片氮含量的分配，导致光谱参数的预测性能在不同阶段发生变化。对比分析 MLR、PLSR、SVR 和 RFR 四种多自变量 LCC 估测模型， 基于RFR 模型估测烤烟LCC的精度和稳定性效果 最好，主要原因是RFR建模时不易出现过拟合现象，能够有效降低异常值和噪声的干扰 。利用多生育期数据集构建全生育期模型会降低模型预测精度 ，一方面可能是因为冠层结构和土壤背景情况随着生育期的推进在不断改变，由冠层光谱对 LCC的响应规律发生变化造成，另一方面，可能是 由不同生育期冠层光谱的测定误差叠加造成。此外，目前本研究的数据集涵盖了不同生育阶段和氮素水平下的样本，但构建的组合光谱指数尚未在不同环境和年份中得到验证。为了提高模型的稳健性和泛化能力，需要进一步测试不同烤烟品种的适用性。

结论

本研究探索豫中烟区烤烟LCC与无人机高光谱影像的响应规律，通过多种光谱指数与烤烟LCC的相关分析，构建烤烟叶片叶绿素估测含量的ULR、 MLR、PLSR、SVR和RFR模型，得到以下结论：

（1） 所涉大部分植被指数和 LCC 呈极显著相关。其中，移栽后 32—109 d 相关系数最大的植被指数分别是 NDRE、MND705、mND705、NIR、TCA‐ RI/OSAVI和REP，全生育期数据集中所有植被指数与烤烟LCC均呈极显著相关，VOG 的相关性最大 （r = 0.771）。

（2） 根据随机两两波段组合的光谱指数与烤烟 LCC含量相关性最大原则，筛选出不同生育期和全 生育期相关系数最高的 21 种光谱指数，传统植被 指数和组合光谱指数与LCC的敏感波段大多集中在红边位置，但整体上组合光谱指数的相关性较前者 更 为 出 色 ， 其中移栽 后75d的NDSI（R775，R745）和RSI（R775，R745） 的相关性最高，相关系数r均为0.912。

（3） 在叶片叶绿素和光谱参数相关性分析的基础上，筛选出6个生育期和全生育期烤烟LCC相关性最高的光谱参数与烤烟叶片叶绿素分别建立ULR 模型，不同移栽生育期的优化光谱指数无论是建模 集还是验证集其估测精度均较优于传统植被指数。

（4） 相较于单个光谱参数，基于多个光谱参数构建模型的估计精度在各个生长阶段和全生育数据 集中均有大幅度提升，其中移栽后75d由LCCRFR 构建的模型最佳，验证集R2和RMSE可达0.919和0.146。综合来看，RFR模型的LCC估测效果最为理想，LCC-MLR和LCC-SVR模型估测精度次之，LCC-PLSR 模型估测精度最差；不同生育期 模型预测精度和稳定性由高到低分别为移栽后75、 61、89、48、32和109d。

推荐：

便携式地物光谱仪iSpecField-NIR/WNIR

专门用于野外遥感测量、土壤环境、矿物地质勘探等领域的最新明星产品，由于其操作灵活、便携方便、光谱测试速度快、光谱数据准确是一款真正意义上便携式地物光谱仪。

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑 黄宇